nlp - 情绪分析的最佳算法方法

Question

关闭。这个问题是opinion-based .它目前不接受答案。












想改善这个问题吗？更新问题，以便可以通过 editing this post 用事实和引文回答问题.

7年前关闭。




Improve this question




我的要求是接收新闻文章并确定它们对某个主题是正面还是负面。我正在采用下面概述的方法，但我一直在阅读 NLP 可能在这里有用。我所读到的所有内容都指向 NLP 从事实中检测意见，我认为这对我来说并不重要。我想知道两件事:

1) 为什么我的算法不起作用和/或我如何改进它？ (我知道讽刺可能是一个陷阱，但我再次认为在我们将获得的新闻类型中不会发生太多)

2) NLP 有什么帮助，我为什么要使用它？

我的算法方法(我有正面、负面和否定词的字典):

1) 统计文章中正负词的个数

2) 如果发现否定词有 2 或 3 个肯定词或否定词，(即:不是最好的)否定分数。

3)将分数乘以手动分配给每个单词的权重。 (1.0 开始)

4) 将正面和负面的总数相加得到情绪分数。

Answer 1

我认为没有什么特别的错误 使用您的算法，这是一种相当直接且实用的方法，但是在很多情况下它会出错。

暧昧情话 - “这个产品非常好用”与“这个产品非常好”

错过的否定 - “我永远不会在一百万年内说这个产品值得购买”

引用/间接文本 - “我爸爸说这个产品很糟糕，但我不同意”

比较 - “这个产品和头上的一个洞一样有用”

任何细微之处 - “该产品丑陋、缓慢且乏味，但它是市场上唯一能胜任这项工作的产品”

我使用产品评论作为例子而不是新闻报道，但你明白了。事实上，新闻文章可能更难，因为它们经常试图展示论点的双方，并倾向于使用某种风格来传达一个观点。例如，最后一个例子在观点文章中很常见。

至于 NLP 可以帮助您解决任何问题， word sense disambiguation (甚至只是 part-of-speech tagging )可能有助于 (1), syntactic parsing可能有助于解决(2)中的长期依赖关系，某种 chunking可能有助于(3)。不过，这都是研究级别的工作，我不知道您可以直接使用什么。问题 (4) 和 (5) 更难，我举手并在这一点上放弃。

我会坚持你的方法并仔细查看输出，看看它是否在做你想要的。当然，这会引发一个问题，即您希望您首先理解“情绪”的定义......